CN111462122A - 宫颈细胞核自动分割方法及系统 - Google Patents
宫颈细胞核自动分割方法及系统 Download PDFInfo
- Publication number
- CN111462122A CN111462122A CN202010223395.7A CN202010223395A CN111462122A CN 111462122 A CN111462122 A CN 111462122A CN 202010223395 A CN202010223395 A CN 202010223395A CN 111462122 A CN111462122 A CN 111462122A
- Authority
- CN
- China
- Prior art keywords
- convolution
- resolution
- interactive
- features
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种宫颈细胞核自动分割方法,构建金字塔伴随式交互卷积神经网络,金字塔伴随式交互卷积神经网络包括聚合路径和选择路径,聚合路径用于聚合局部细节特征,选择路径用于选择全局特性;聚合路径包含N个编码器,选择路径包含N个解码器,编码器包括交互卷积模块和内部金字塔分辨率补充模块,解码器包括交互卷积模块,每个解码器对编码器中的特征进行融合,然后使用两个连续的交互卷积模块进行卷积,输出特征;训练上述卷积神经网络,得到分割模型;使用训练好的分割模型对图像进行分割,得到宫颈细胞核。可以准确定位细胞核,可以对细胞核形态、大小各异的宫颈细胞核的分割,解决了细胞核边界信息丢失的问题。
Description
技术领域
本发明属于图像处理技术领域,具体地涉及一种基于金字塔伴随式交互卷积神经网络的宫颈细胞核自动分割方法及系统。
背景技术
自动阅片技术采用图像处理方法,在细胞核识别的基础上实现对细胞核DNA含量的准确测量,能够为医生诊断提供辅助。图像分割作为自动阅片系统关键直接影响系统性能。目前,对宫颈细胞核进行自动分割的方法主要有两大类:非监督分割和监督分割。
对于非监督分割,主要包括:K均值聚类算法、非参数层次分割算法、分水岭算法、自适应阈值算法、主动轮廓模型算法、形态学操作算法和图切算法。这些算法的一个很明显的缺点就是它们不足以完全的描述宫颈细胞核,因为它们都是基于不完全的手动设计和低层次的特征。除此之外,低级特征缺少详细的结构化信息,从而导致分割性能有限。在尽可能的去尝试设计更多的宫颈细胞核的特征时,还是很难完全的描述所有不同细胞核的形态和大小,特别是对于5种异常的细胞核。
对于监督分割,主要包括:基于超分辨率策略的监督深度学习网络算法、结合图分割和多尺度卷积网络的算法、结合模糊C均值聚类和反向传播神经网路的算法、结合完全卷积网络和动态规划的算法,结合稠密连接和可变性卷积的U型卷积网络算法。这些基于神经网络的算法的冗长流水线和复杂过程都很不稳定,并且是只能适应特定任务和特定数据。
目前现有的分割方法在处理5种异常宫颈细胞核的过程中,由于细胞核不同的形态和大小,以及神经网络中池化层导致图像分辨率大小逐层减小(从而导致细胞核边界信息的丢失),使得很难准确和自动的对细胞核进行识别和定位(分割)。
发明内容
针对上述存在的技术问题,本发明提出了一种宫颈细胞核自动分割方法,本发明采用金字塔伴随式交互卷积神经网络,包含两条路径:聚合路径和选择路径。第一个路径用于聚合宫颈细胞核的局部细节特征,从而准确识别细胞核,第二路径用于选择细胞核整体结构信息和全局上下文信息,从而准确定位细胞核。
本发明的技术方案是:
一种宫颈细胞核自动分割方法,包括以下步骤:
S01:构建金字塔伴随式交互卷积神经网络,所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径,所述聚合路径用于聚合宫颈细胞核的局部细节特征,所述选择路径用于选择细胞核整体结构信息和全局上下文信息;所述聚合路径包含N个编码器,所述选择路径包含N个解码器,所述编码器包括交互卷积模块和内部金字塔分辨率补充模块,所述解码器包括交互卷积模块,每个解码器对来自编码器中的特征进行融合,然后使用两个连续的交互卷积模块进行卷积,得到输出特征;
S02:训练构建的金字塔伴随式交互卷积神经网络,得到分割模型;
S03:使用训练好的分割模型对图像进行分割,得到宫颈细胞核。
优选的技术方案中,所述交互卷积模块包括两个并行的卷积路径,第一卷积路径使用第一卷积核捕获细胞核内部结构化信息,第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息,所述第二卷积核大于第一卷积核,所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征,然后在中间过程中进行一次信息交换,使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合,最后再继续一次卷积过程,并融合两个不同的特征,得到最后的融合特征。
优选的技术方案中,所述交互卷积模块中第二卷积核通过分离卷积控制参数,包括以下步骤:将K*K卷积分为1*K卷积和K*1卷积,对两条路径学习的特征数进行融合。
优选的技术方案中,所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块,其中,n为分辨率配置数,所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示,所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征,每一个多分辨率表示连接一个补充分辨率特征,将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合,得到最终的输出特征图。
优选的技术方案中,所述补充分辨率特征CR的计算公式为:
其中,i为多分辨率表示模块的索引,In为输入,RIn是当前输入的分辨率大小,Ri是其他n-1个分辨率大小,Up是一个上采样层,Pool是一个最大池化层,Conv是一个1*1卷积层。
本发明还公开了一种宫颈细胞核自动分割装置,包括:
金字塔伴随式交互卷积神经网络构建模块,用于构建金字塔伴随式交互卷积神经网络,所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径,所述聚合路径用于聚合宫颈细胞核的局部细节特征,所述选择路径用于选择细胞核整体结构信息和全局上下文信息;所述聚合路径包含N个编码器,所述选择路径包含N个解码器,所述编码器包括交互卷积模块和内部金字塔分辨率补充模块,所述解码器包括交互卷积模块,每个解码器对来自编码器中的特征进行融合,然后使用两个连续的交互卷积模块进行卷积,得到输出特征;
训练模块,用于训练构建的金字塔伴随式交互卷积神经网络,得到分割模型;
分割模块,使用训练好的分割模型对图像进行分割,得到宫颈细胞核。
优选的技术方案中,所述交互卷积模块包括两个并行的卷积路径,第一卷积路径使用第一卷积核捕获细胞核内部结构化信息,第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息,所述第二卷积核大于第一卷积核,所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征,然后在中间过程中进行一次信息交换,使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合,最后再继续一次卷积过程,并融合两个不同的特征,得到最后的融合特征。
优选的技术方案中,所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块,其中,n为分辨率配置数,所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示,所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征,每一个多分辨率表示连接一个补充分辨率特征,将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合,得到最终的输出特征图。
优选的技术方案中,所述补充分辨率特征CR的计算公式为:
其中,i为多分辨率表示模块的索引,In为输入,RIn是当前输入的分辨率大小,Ri是其他n-1个分辨率大小,Up是一个上采样层,Pool是一个最大池化层,Conv是一个1*1卷积层。
本发明又公开了一种宫颈细胞核自动分割系统,包括服务器、终端和网页端,所述服务器部署有宫颈细胞核自动分割装置,所述终端用于上传病理切片数据,所述网页端用于读取宫颈细胞核自动分割装置分割得到的宫颈细胞核。
与现有技术相比,本发明的优点是:
本发明采用金字塔伴随式交互卷积神经网络,包含两条路径:聚合路径和选择路径。第一个路径用于聚合宫颈细胞核的局部细节特征,从而准确识别细胞核,第二路径用于选择细胞核整体结构信息和全局上下文信息,从而准确定位细胞核。本发明方法的ZSI、精确度和召回率都比较高,表现优异。解决了细胞核形态和大小各异的宫颈细胞核的分割和神经网络中池化层带来的分辨率减小,进而导致细胞核边界信息丢失的问题。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明宫颈细胞核自动分割方法的流程图;
图2为本发明金字塔伴随式交互卷积神经网络的示意图;
图3为本发明交互卷积模块的示意图;
图4为本发明内部金字塔分辨率补充模块的示意图;
图5为本发明图像数据分别经过Unet网络与金字塔伴随式交互式卷积网络的分割结果的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例:
下面结合附图,对本发明的较佳实施例作进一步说明。
如图1所示,一种宫颈细胞核自动分割方法,包括以下步骤:
S01:构建金字塔伴随式交互卷积神经网络,如图2所示,所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径,所述聚合路径用于聚合宫颈细胞核的局部细节特征,从而准确识别细胞核,所述选择路径用于选择细胞核整体结构信息和全局上下文信息,从而准确定位细胞核;所述聚合路径包含N个编码器,所述选择路径包含N个解码器,所述编码器包括交互卷积模块和内部金字塔分辨率补充模块,所述解码器包括交互卷积模块,每个解码器对来自编码器中的特征进行融合,然后使用两个连续的交互卷积模块进行卷积,得到输出特征;
S02:训练构建的金字塔伴随式交互卷积神经网络,得到分割模型;
S03:使用训练好的分割模型对图像进行分割,得到宫颈细胞核。
如图3所示,交互卷积模块(ICM)包括两个并行的卷积路径,第一卷积路径使用第一卷积核捕获细胞核内部结构化信息,第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息,所述第二卷积核大于第一卷积核,第一卷积核为一个相对较小的卷积核,第二卷积核为一个相对较大的卷积核。所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征,然后在中间过程中进行一次信息交换,使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合,最后再继续一次卷积过程,并采取Concatenate操作来融合两个不同的特征,得到最后的融合特征。该特征同时学习到了细胞核局部细节和全局特性。
大的卷积核会带来参数的剧烈增加,因此交互卷积模块中第二卷积核通过分离卷积控制参数,包括以下步骤:将K*K卷积分为1*K卷积和K*1卷积,对两条路径学习的特征数进行融合。每条路径学习到的特征数平分,例如该层需要学习的特征数为C,则两条路径分别学习C/2个特征,然后融合为C个特征,从而有效的降低了网络的参数,保证了模型的轻量级特性。
ICM的计算公式如下所示:
其中,x是输入,R是信息交换的中间变量(ReLU激活层的输出),ICM[x]是编码器的输出,ReLU代表一个ReLU激活层,Conv1和Conv2分别代表大小为k1和k2的卷积层,Concat是Concatenate操作符。
如图4所示,内部金字塔分辨率补充模块(IPRCM)采取金字塔思想,在编码过程中,将当前网络层的分辨率特征转换为其余网络层的多分辨率特征,然后重建为当前网络层分辨率大小。这个过程捕获了当前网络层分辨率特征的潜在多分辨率表示,用来弥补在前向过程中池化层造成的信息损失。具体而言,假设当前网络层的输入特征图大小为Hi*Wi*Ci,分别表示高、宽和通道数。当前网络层的预设输出特征大小为Hi*Wi*Co,其中Co表示输出通道数,n表示分辨率配置数。首先,输入特征通过两种层的组合来得到重建的n-1个多分辨率表示(MR),分别是最大池化层+1*1卷积层,上采样层+1*1卷积层。图中n-1个不同的颜色特征代表不同分辨率大小的MR。然后相应的使用上采样层(对应前一个组合)和最大池化层(对应后一个组合)来重建当前分辨率大小的n-1个补充分辨率特征(CR),每一个多分辨率表示连接一个补充分辨率特征,最后n-1个CR和输入特征被一个1*1卷积核卷积的结果做Concatenate操作,进行融合,得到最终的输出特征图。
补充分辨率特征CR的计算公式为:
其中,i为多分辨率表示模块的索引,In为输入,RIn是当前输入的分辨率大小,Ri是其他n-1个分辨率大小,Up是一个上采样层,Pool是一个最大池化层,Conv是一个1*1卷积层。
IPRCM的计算公式如下所示:
其中,x是输入,R[x]是补充分辨率特征,N是编码器和解码的个数,Conv是一个3*3的卷积层,Concat是Concatenate操作符。
整体网络架构配置如下:
1、编码器和解码器聚合方法,聚合路径有N个编码器,选择路径有N个解码器。
2、每个编码器的计算公式如下所示:
其中,x是输入,R是第一个ReLU激活层的输出,Output是编码器的输出,ReLU代表一个ReLU激活层,Conv代表一个1*1卷积层,ICM1、ICM2为交互卷积模块,只是采用标号1、2在名称上进行区分,IPRCM为内部金字塔分辨率补充模块。
3、每个解码器中,输入特征先与来自编码器中的高分辨率、语义弱的特征做Concatenate操作,然后使用两个连续的ICM进行卷积,得到输出特征。
本发明还公开了一个宫颈细胞核自动分割系统,病人的病理切片上传到服务器,服务器上部署有本发明的宫颈细胞核自动分割方法,服务器用训练好的模型来对切片进行分割,保存分割结果,然后医生可以通浏览器来进行诊断,判断。可以归结为Client端用来上传所有病人的病理切片数据,Server端用来处理所有病人的病理切片数据,并保存辅助诊断结果。网页端用来读取分割结果供医生阅读,进一步诊断。
如图2所示,具体的实例中,我们的N=5,编码器连续的分辨率配置为[256,128,64,32,16],解码器连续的分辨率配置为[16,32,64,128,256]。对应的特征通道数配置为[32,64,128,256,512]。中间的bottleneck是一个ICM模块,它的输出特征图大小为8*8*1024。交互卷积模块(ICM)的两个卷积核大小分别为3和5。
本发明从Zijdenbos similarity index(ZSI)、精确度(precision)和召回率(Recall)三个方面定量比较了目前最先进的方法和本发明提出的架构在公开数据集Herlev dataset上的表现。如下表所示:
从中可以看到我们的架构在ZSI、精确度和召回率三个方面都比较均衡,表现优异。
采用(a)、(b)、(c)、(d)、(e)、(f)6个图像数据分别经过Unet网络与本发明金字塔伴随式交互式卷积网络分割,得到分割结果,如图5所示,得到6组图像,图中四行分别表示为:原始图像,标签图像(黑色内部的灰色代表细胞核),Unet网络结果(白色代表细胞核),金字塔伴随式交互式卷积网络结果(白色代表细胞核)。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种宫颈细胞核自动分割方法,其特征在于,包括以下步骤:
S01:构建金字塔伴随式交互卷积神经网络,所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径,所述聚合路径用于聚合宫颈细胞核的局部细节特征,所述选择路径用于选择细胞核整体结构信息和全局上下文信息;所述聚合路径包含N个编码器,所述选择路径包含N个解码器,所述编码器包括交互卷积模块和内部金字塔分辨率补充模块,所述解码器包括交互卷积模块,每个解码器对来自编码器中的特征进行融合,然后使用两个连续的交互卷积模块进行卷积,得到输出特征;
S02:训练构建的金字塔伴随式交互卷积神经网络,得到分割模型;
S03:使用训练好的分割模型对图像进行分割,得到宫颈细胞核。
2.根据权利要求1所述的宫颈细胞核自动分割方法,其特征在于,所述交互卷积模块包括两个并行的卷积路径,第一卷积路径使用第一卷积核捕获细胞核内部结构化信息,第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息,所述第二卷积核大于第一卷积核,所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征,然后在中间过程中进行一次信息交换,使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合,最后再继续一次卷积过程,并融合两个不同的特征,得到最后的融合特征。
3.根据权利要求2所述的宫颈细胞核自动分割方法,其特征在于,所述交互卷积模块中第二卷积核通过分离卷积控制参数,包括以下步骤:将K*K卷积分为1*K卷积和K*1卷积,对两条路径学习的特征数进行融合。
4.根据权利要求1所述的宫颈细胞核自动分割方法,其特征在于,所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块,其中,n为分辨率配置数,所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示,所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征,每一个多分辨率表示连接一个补充分辨率特征,将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合,得到最终的输出特征图。
6.一种宫颈细胞核自动分割装置,其特征在于,包括:
金字塔伴随式交互卷积神经网络构建模块,用于构建金字塔伴随式交互卷积神经网络,所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径,所述聚合路径用于聚合宫颈细胞核的局部细节特征,所述选择路径用于选择细胞核整体结构信息和全局上下文信息;所述聚合路径包含N个编码器,所述选择路径包含N个解码器,所述编码器包括交互卷积模块和内部金字塔分辨率补充模块,所述解码器包括交互卷积模块,每个解码器对来自编码器中的特征进行融合,然后使用两个连续的交互卷积模块进行卷积,得到输出特征;
训练模块,用于训练构建的金字塔伴随式交互卷积神经网络,得到分割模型;
分割模块,使用训练好的分割模型对图像进行分割,得到宫颈细胞核。
7.根据权利要求6所述的宫颈细胞核自动分割装置,其特征在于,所述交互卷积模块包括两个并行的卷积路径,第一卷积路径使用第一卷积核捕获细胞核内部结构化信息,第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息,所述第二卷积核大于第一卷积核,所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征,然后在中间过程中进行一次信息交换,使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合,最后再继续一次卷积过程,并融合两个不同的特征,得到最后的融合特征。
8.根据权利要求6所述的宫颈细胞核自动分割装置,其特征在于,所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块,其中,n为分辨率配置数,所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示,所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征,每一个多分辨率表示连接一个补充分辨率特征,将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合,得到最终的输出特征图。
10.一种宫颈细胞核自动分割系统,其特征在于,包括服务器、终端和网页端,所述服务器部署有权利要求6-9任一项所述的宫颈细胞核自动分割装置,所述终端用于上传病理切片数据,所述网页端用于读取宫颈细胞核自动分割装置分割得到的宫颈细胞核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223395.7A CN111462122B (zh) | 2020-03-26 | 2020-03-26 | 宫颈细胞核自动分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223395.7A CN111462122B (zh) | 2020-03-26 | 2020-03-26 | 宫颈细胞核自动分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462122A true CN111462122A (zh) | 2020-07-28 |
CN111462122B CN111462122B (zh) | 2022-07-22 |
Family
ID=71680235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010223395.7A Active CN111462122B (zh) | 2020-03-26 | 2020-03-26 | 宫颈细胞核自动分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462122B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396621A (zh) * | 2020-11-19 | 2021-02-23 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
CN113222944A (zh) * | 2021-05-18 | 2021-08-06 | 湖南医药学院 | 细胞核分割方法、系统、装置及基于病理图像的癌症辅助分析系统、装置 |
CN114022487A (zh) * | 2021-11-10 | 2022-02-08 | 哈尔滨理工大学 | 宫颈细胞核的分割方法及装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN108364032A (zh) * | 2018-03-27 | 2018-08-03 | 哈尔滨理工大学 | 一种基于卷积神经网络的宫颈癌细胞图片识别算法 |
CN110163102A (zh) * | 2019-04-18 | 2019-08-23 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于卷积神经网络的宫颈细胞图像分类识别方法 |
-
2020
- 2020-03-26 CN CN202010223395.7A patent/CN111462122B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技(北京)有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
CN108364032A (zh) * | 2018-03-27 | 2018-08-03 | 哈尔滨理工大学 | 一种基于卷积神经网络的宫颈癌细胞图片识别算法 |
CN110163102A (zh) * | 2019-04-18 | 2019-08-23 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于卷积神经网络的宫颈细胞图像分类识别方法 |
CN110363188A (zh) * | 2019-04-18 | 2019-10-22 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 基于卷积神经网络的宫颈细胞图像分类方法 |
Non-Patent Citations (1)
Title |
---|
JIE ZHAO等: "Automated segmentation of cervical nuclei in pap smear images using deformable multi-path ensemble model", 《ISBI 2019》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396621A (zh) * | 2020-11-19 | 2021-02-23 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
CN112396621B (zh) * | 2020-11-19 | 2022-08-30 | 之江实验室 | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 |
CN113222944A (zh) * | 2021-05-18 | 2021-08-06 | 湖南医药学院 | 细胞核分割方法、系统、装置及基于病理图像的癌症辅助分析系统、装置 |
CN114022487A (zh) * | 2021-11-10 | 2022-02-08 | 哈尔滨理工大学 | 宫颈细胞核的分割方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111462122B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145170B (zh) | 一种基于深度学习的医学影像分割方法 | |
CN111462122B (zh) | 宫颈细胞核自动分割方法及系统 | |
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
CN111145181B (zh) | 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 | |
CN111369565B (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN108038519B (zh) | 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置 | |
CN110378344B (zh) | 基于谱维转换网络的卷积神经网络多光谱图像分割方法 | |
CN111161271A (zh) | 一种超声图像分割方法 | |
CN114283158A (zh) | 一种视网膜血管图像分割方法、装置及计算机设备 | |
CN113781489B (zh) | 一种息肉影像语义分割方法及装置 | |
CN113313164A (zh) | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 | |
CN113160058A (zh) | 一种结合分割图的热成像超分辨率重建方法及存储介质 | |
CN111767922A (zh) | 一种基于卷积神经网络的图像语义分割方法及网络 | |
CN112669248A (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
CN114511738A (zh) | 眼底病变识别方法、装置、电子设备和可读存储介质 | |
CN115393289A (zh) | 基于集成交叉伪标签的肿瘤图像半监督分割方法 | |
CN113902945A (zh) | 一种多模态乳腺磁共振图像分类方法及系统 | |
CN115809998A (zh) | 基于E2C-Transformer网络的胶质瘤MRI数据分割方法 | |
CN117671271A (zh) | 模型训练方法、图像分割方法、装置、设备和介质 | |
CN111681168B (zh) | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 | |
Yang et al. | Interacting convolution with pyramid structure network for automated segmentation of cervical nuclei in pap smear images | |
CN114708353B (zh) | 图像重建方法、装置、电子设备与存储介质 | |
CN112950599B (zh) | 一种基于深度学习的大肠空腔区及肠内容物标注方法 | |
CN113012152B (zh) | 一种图像篡改链检测方法、装置及电子设备 | |
CN114638870A (zh) | 一种基于深度学习的室内场景单目图像深度估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |